息地放射学和深度学习聚变诺摩图来预测EGFR突变状态在I期非小细胞肺癌:一个多中心研究
Jingran Wu1, Hao Meng2, Lin Zhou3
1Department of Oncology, General Hospital of Northern Theater Command, Shenyang, 110840, China.
Scientific reports
|July 9, 2024
概括
结合深度学习和临床数据的新型放射学名图准确预测了在早期非小细胞肺癌 (NSCLC) 中表皮生长因子受体 (EGFR) 突变. 该工具有助于为NSCLC患者做出治疗决策.
科学领域:
- 放射学和瘤学 放射学和瘤学
- 医学成像和人工智能 医学成像和人工智能
背景情况:
- 精确预测表皮生长因子受体 (EGFR) 突变状态对于指导I期非小细胞肺癌 (NSCLC) 治疗至关重要.
- 目前的方法可能无法充分利用医学成像与临床和分子数据相结合的预测潜力.
研究的目的:
- 开发和验证一个放射学名图集深度学习,放射学和临床变量,用于预测EGFR突变状态在I期NSCLC.
- 与单个组件相比,评估综合模型的诊断性能.
主要方法:
- 来自四个学术中心的438名第一阶段NSCLC患者的回顾性分析.
- 从CT图像中提取和分析放射性特征 (内,周,息地区域).
- 开发了三种深度学习模型和一个整合放射性特征,深度学习和临床特征的名图.
- 使用接收器操作特征 (ROC) 曲线下的面积 (AUC) 和决策曲线分析 (DCA) 的性能评估.
主要成果:
- 息地放射学特征在区分EGFR突变与野生类型方面表现出强的表现 (AUC0.886培训,0.812验证,0.790外部测试).
- 基于放射学的综合名图实现了最高的AUC值 (0.917培训,0.837验证,0.809外部测试).
- 通过DCA,名图显示出与其他放射学模型相比的优越净益.
结论:
- 结合深度学习,放射学和临床数据的综合放射学名图为预测I阶段NSCLCEGFR突变状态提供了卓越的性能.
- 这种方法为早期NSCLC患者的治疗决策提供了宝贵的信息.
